回复关于我“LLMs are eroding my career”一文的评论

# 回复关于我那篇"LLM正在侵蚀我的职业生涯"帖子的评论 来源：https://human-in-the-loop.bearblog.dev/replies-to-comments-on-my-llms-are-eroding-my-career-post/ *2026年6月7日* 嗯，我最近那篇帖子（https://human-in-the-loop.bearblog.dev/llms-are-eroding-my-software-engineering-career-and-i-dont-know-what-to-do/）火了。 而一旦火起来，就会收到海量你必须回复的评论（https://xkcd.com/386/）。 我不想在HN/Reddit/其他地方回复，以免陷入无止境的讨论串，耗尽我的理智。我会挑出一些评论，在这里给出答案，供那些需要的人参考。 抽象蓝白流体艺术，带有漩涡花纹——来自Unsplash的Pawel Czerwinski作品 --- --- > 啥？我整天操控LLM，但打死我也不会同意去掌舵一个金融产品。LLM在业务细节上经常翻车：例如地方税务法规。 我本应该说清楚这点。对于地方税法或非常细微的细节，LLM并非包办一切，但通常这些由法务团队处理（他们也在用LLM自动化大量例行工作）。 然而，我多年来掌握的大部分领域知识（显然比法务团队做的*浅*得多），现在只需用ChatGPT Pro/Extended Thinking就能提示出来。 这让我很难过，我曾以为拥有这些知识能让我在只会写代码的程序员中脱颖而出，但现实已经不再是这样了。 > 会计流程的特殊性、我们账本实现的具体细节。 在我之前的工作场所，智能体也不擅长这类东西，但更新模型+智能体友好文档+`AGENT.md`*请求智能体在编码前读特么的文档*，已经改变了我们这里的情况。 我越来越觉得不需要再去请教那些资深同事、了解细节了。现在做工作需要的输入少了很多，停下来想一想，这**简直吓人**。 --- --- > 另外，一家管理者推荐用AI加速设计文档的金融科技公司，听起来对处理资金业务也太粗心大意了。 是啊，我也不同意这种做法，我的应对方式是： 1. 让文档在实现细节、状态机等方面尽量通用，这样我就有空间做出深思熟虑的实现。AI出现后（然后是裁员），每个人都淹在长篇文档里需要阅读，大量PR需要审查，所以审核者现在挑剔得少多了。这给了我绕开初始文档缺陷的空间。 2. 在团队看板上做些文章以争取时间。比如，我总是添加端到端测试的工单，在其中我发现bug，这让我有机会在特性发布到生产环境之前提交bug/改进工单。这也给了我更多时间来谨慎审查实现。我还把最初的实现部分（通常更敏感）拆分成比平时更多的卡片，以便从容实施和谨慎审查。 我喜欢这样做吗？当然不，但我有什么选择呢？据我了解的人反馈，我的公司还不算处于*氛围编码*的最极端，所以跳去一个可能更差的环境不是个好交易。至少我所在的位置，我知道如何控制*利益相关者*的焦虑（我的谨慎和细心为我赢得了好口碑），而且它不会强迫我全速进行氛围编码。 --- --- > 顺势而为吧。当网站/网页应用是浪潮时，你骑上去了。我在互联网出现前就进了软件行业，一直在换马。你永远不会太老去学新把戏。新浪潮会创造新的工作和工作者。成为其中之一吧。驾驭这头野兽，掌握这些工具。这还是那个老游戏。 对，这正是我现在做的。我是那些不断改进智能体工具的工程师之一，我用不同的模型进行对抗性代码审查，我保持着一套技能和提示库等等。我已经有效地成为了所谓的"AI原生工程师"（天哪，我**讨厌**这个词）。 我更担心的是未来。 如果模型（和工具）在未来几年继续以同样的速度进步，我们正走向一个职业被彻底商品化的世界。有人在谈论杰文斯悖论，但我不同意。对软件的需求肯定有一个上限。 就拿文案写作来说。它曾经是一个需要多年掌握且报酬丰厚的职业。随着更多专业人士进入市场，即使电子商务和广告技术推动了需求激增，这个变化也很缓慢。现在，LLM已经摧毁了绝大多数专业人士的工作。 原因很简单：大部分需求来自需要文案的小公司，而ChatGPT生成的文案就满足了它们。有些文案还是被雇用来负责提示、审查和发送文案，但由于需求不是无限的，他们不可能全都被雇来做这个。一个文案现在能顶十个，但需求是固定的。需求不会因为供应增加了十倍就变成十倍。 当然，最顶尖的文案仍然有就业机会，但他们只占大约1%。其他99%在争抢残羹冷炙。UX文案曾经是一个前景不错的职业。现在我认识的都被裁了。就连大组织也解雇了他们；你只需提示ChatGPT来生成文本标签，90%的时候都行，所以工资单上养10个专业人士不再合理了，裁掉9个，留1个。 如果模型继续沿着相同方向改进，我们都将走向同样的命运。 我们当然会雇用一些工程师来引导智能体，但他们会是可替代且廉价的（再次，供求关系）。这就是我在前文中所强调的。**而这也同样在逼近其他职业**：我们都知道软件是实验室们现在瞄准的*低垂果实*。他们会进军金融、生物、法律、营销，所有知识工作。这是他们公开宣称的目标，并且已经在通过"ChatGPT for Health"之类的产品预热了。他们正在为其他领域开发"工具"，只是时间问题，我们很快就会有"Claude金融分析师"之类的东西。 --- --- > 这篇匿名文章很可能又是AI行业的恐慌情绪。"放弃吧，你斗不过机器。请安静地走开，我们想取代你，如果你相信抵抗没有用，对大家都更容易。"所以一个只有单篇帖子的博客在吹捧LLM。哦，还有域名"human-in-the-loop"。让我很怀疑。 如果读了我上面的回复后，你还认为我是"AI推销员"或"实验室推销员"，那我也帮不了你了。 --- --- > 整体社会感觉更加动荡，但这不过是老调重弹。90年代和00年代有过"面向对象编程改变一切"的浪潮。 OOP没有让知识变得可提示。OOP没有显示出快速、复合进步的迹象，朝着取代如此多（不仅限于软件工程）领域工人的方向前进。这不是同一回事，各位。 我们倾向于认为过去能预测未来（顺便说一句，没有严肃的历史学家相信这一点），但有时会发生非同寻常的事情。拿新冠来说。我记得它在中国爆发时，人们因为近年经历过2009年猪流感、2014年埃博拉或SARS而忽视了它。结果大家都知道。而且如果当初我们没有轻视它，情况本可以好很多。 现在，类似的事情正在发生，人们因为OOP、元宇宙或NFT而忽视它。停下来思考，不要用（糟糕的）过去例子来预测未来。 我不想危言耸听，但我们**确实**面对着比OOP更重大的事物。**我们构建了一台矩阵乘法机器，在合适的工具、提示和辅助下，可以连续数小时输出有用的文字串**。这属于科幻级别。我们应该相应地行动。 --- --- > 如果作者对未来的看法正确，那么称职的软件工程师是安全的。领域知识的习得速度远快于良好工程原则的应用。 恕我不同意。模型迟早会学会良好的工程原则。 举个例子：有一家叫Turing AI的公司正在招聘工程师，编写各种领域和语言中的"优秀代码"，这些代码随后被用于实验室的强化学习。这个"人类护城河"不会永远持续。 --- --- > 我认为作者低估了一点，尤其在他的"第一支柱"中：他能把模型引导出极好的结果，是因为他已经熟悉了领域的地形。 上帝保佑你是对的，但我发现LLM在解释和建议其他我完全陌生的领域的知识时同样很在行，而且我向法务/产品经理交叉验证过，通常都是正确的。